人工智慧概論－iPAS AI應用規劃師(初級)能力養成
內容簡介
本書依據 iPAS「AI 應用規劃師（初級）」能力鑑定之學習範圍規劃，系統性涵蓋「人工智慧基礎概論」與「生成式 AI 應用」兩大核心領域，協助學生在建立理論基礎的同時，培養應檢所需之關鍵能力。內容包含 AI 定義與分類、資料處理與分析、機器學習模型、鑑別式與生成式 AI 原理，以及生成式 AI 工具應用、導入評估與風險管理等主題，完整對應官方評鑑內容架構。
本書採取由淺入深的教學設計，強調概念理解與應用連結，並於各章結尾整理重點知識，搭配教學評量題目與應試模擬試卷，協助讀者進行學習檢核與考試準備。適合作為大專院校課程教材，亦可作為報考 iPAS 證照之自學參考書。
本書採取由淺入深的教學設計，強調概念理解與應用連結，並於各章結尾整理重點知識，搭配教學評量題目與應試模擬試卷，協助讀者進行學習檢核與考試準備。適合作為大專院校課程教材，亦可作為報考 iPAS 證照之自學參考書。
目錄
Part 1 人工智慧基礎概論
第1章 AI的定義與分類
1-1 人工智慧的發展
1-2 人工智慧的技術演進
1-3 生成式人工智慧
1-4 人工智慧的定義
第2章 AI治理概念
2-1 AI治理的必要性
2-2 AI偏誤與公平性
2-3 可信任AI
2-4 AI治理框架與政策
第3章 資料基本概念與來源
3-1 人工智慧與資料的關係
3-2 資料型態
3-3 結構化與非結構化資料
3-4 資料來源
3-5 機器學習中的資料概念
3-6 大數據的特性與意涵
第4章 資料整理與分析流程
4-1 資料處理與分析流程
4-2 常見資料品質問題
4-3 ETL資料處理流程
4-4 資料分析方法與視覺化
4-5 資料分析結果的應用與決策
第5章 資料隱私與安全
5-1 資料隱私與個人資料概念
5-2 資料隱私的主要風險
5-3 資料保護的基本原則與方法
5-4 AI 時代的隱私挑戰與偏見問題
5-5 隱私保護技術與實務應用
第6章 機器學習基本原理
6-1 機器學習的概念
6-2 機器學習的基本流程
6-3 訓練資料、特徵與標籤
6-4 模型評估與模型表現
6-5 機器學習實例
第7章 常見的機器學習模型
7-1 監督式學習
7-2 非監督式學習
7-3 半監督式學習
7-4 強化式學習
7-5 多模態學習
第8章 鑑別式AI與生成式AI的基本原理
8-1 鑑別式AI與生成式AI概念
8-2 鑑別式AI的原理與應用
8-3 生成式AI的原理與應用
8-4 鑑別式AI與生成式AI的差異
第9章 鑑別式AI與生成式AI的整合應用
9-1 感知與創造的協作架構
9-2 跨領域的技術融合
9-3 實務應用場域與情境分析
9-4 整合應用的關鍵分析
Part 2 生成式 AI 應用與規劃
第10章 No Code / Low Code的基本概念
10-1 軟體開發自主權的釋放
10-2 No Code / Low Code
10-3 LCNC 平台的潛在風險與治理架構
10-4 LCNC 與 AI 的整合應用
第11章 No Code / Low Code的優勢與限制
11-1 LCNC 平台的核心優勢
11-2 導入 LCNC 的限制與挑戰
11-3 生成式 AI 與 LCNC 的整合
11-4 生成式 AI × LCNC 的應用案例
第12章 生成式AI應用領域與常見工具
12-1 文本生成
12-2 圖像生成
12-3 語音與音樂生成
12-4 影片生成
12-5 多模態生成
第13章 如何善用生成式AI工具
13-1 Prompt的基本概念與原則
13-2 提示工程
13-3 RAG
第14章 生成式AI 導入評估
14-1 效能評估
14-2 適用解決方案選擇
14-3 成本效益分析
14-4 生成式AI導入前評估
第15章 生成式AI 導入規劃
15-1 AI導入六步驟
15-2 需求分析
15-3 資料盤點與治理
15-4 技術選型
15-5 PoC 驗證
15-6 規模化導入與持續優化
第16章 生成式AI 風險管理
16-1 生成式 AI 的風險
16-2 模型與資料風險
16-3 技術防護機制
16-4 風險治理與管理機制
學後評量
第1章 AI的定義與分類
1-1 人工智慧的發展
1-2 人工智慧的技術演進
1-3 生成式人工智慧
1-4 人工智慧的定義
第2章 AI治理概念
2-1 AI治理的必要性
2-2 AI偏誤與公平性
2-3 可信任AI
2-4 AI治理框架與政策
第3章 資料基本概念與來源
3-1 人工智慧與資料的關係
3-2 資料型態
3-3 結構化與非結構化資料
3-4 資料來源
3-5 機器學習中的資料概念
3-6 大數據的特性與意涵
第4章 資料整理與分析流程
4-1 資料處理與分析流程
4-2 常見資料品質問題
4-3 ETL資料處理流程
4-4 資料分析方法與視覺化
4-5 資料分析結果的應用與決策
第5章 資料隱私與安全
5-1 資料隱私與個人資料概念
5-2 資料隱私的主要風險
5-3 資料保護的基本原則與方法
5-4 AI 時代的隱私挑戰與偏見問題
5-5 隱私保護技術與實務應用
第6章 機器學習基本原理
6-1 機器學習的概念
6-2 機器學習的基本流程
6-3 訓練資料、特徵與標籤
6-4 模型評估與模型表現
6-5 機器學習實例
第7章 常見的機器學習模型
7-1 監督式學習
7-2 非監督式學習
7-3 半監督式學習
7-4 強化式學習
7-5 多模態學習
第8章 鑑別式AI與生成式AI的基本原理
8-1 鑑別式AI與生成式AI概念
8-2 鑑別式AI的原理與應用
8-3 生成式AI的原理與應用
8-4 鑑別式AI與生成式AI的差異
第9章 鑑別式AI與生成式AI的整合應用
9-1 感知與創造的協作架構
9-2 跨領域的技術融合
9-3 實務應用場域與情境分析
9-4 整合應用的關鍵分析
Part 2 生成式 AI 應用與規劃
第10章 No Code / Low Code的基本概念
10-1 軟體開發自主權的釋放
10-2 No Code / Low Code
10-3 LCNC 平台的潛在風險與治理架構
10-4 LCNC 與 AI 的整合應用
第11章 No Code / Low Code的優勢與限制
11-1 LCNC 平台的核心優勢
11-2 導入 LCNC 的限制與挑戰
11-3 生成式 AI 與 LCNC 的整合
11-4 生成式 AI × LCNC 的應用案例
第12章 生成式AI應用領域與常見工具
12-1 文本生成
12-2 圖像生成
12-3 語音與音樂生成
12-4 影片生成
12-5 多模態生成
第13章 如何善用生成式AI工具
13-1 Prompt的基本概念與原則
13-2 提示工程
13-3 RAG
第14章 生成式AI 導入評估
14-1 效能評估
14-2 適用解決方案選擇
14-3 成本效益分析
14-4 生成式AI導入前評估
第15章 生成式AI 導入規劃
15-1 AI導入六步驟
15-2 需求分析
15-3 資料盤點與治理
15-4 技術選型
15-5 PoC 驗證
15-6 規模化導入與持續優化
第16章 生成式AI 風險管理
16-1 生成式 AI 的風險
16-2 模型與資料風險
16-3 技術防護機制
16-4 風險治理與管理機制
學後評量
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價